抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Foliar病は,年間作物収量の損失を世界的に40%まで説明する。これは,広がりを防ぎ,作物被害を低減するために,これらの病気の早期検出を必要とする。PlantVillageデータセットは,38クラスの健康と病気の葉から成る最大のオープンアクセスデータベースである。しかし,このデータセットは,このデータセットで訓練されたモデルのポータビリティを現実世界に厳しく制限する制御された環境で撮影された葉の画像を含む。多様な条件および背景の下で捕獲された種々の葉病害を検出する必要性によって動機づけられて,現在,多くの農民が実験室インフラストラクチャまたはハイエンドカメラへのアクセスを持たない場合,著者らは,著者らの実験のためにPlantDocデータセットを選択した。このデータセットは,異なる背景と変化する分解能の下で撮影された植物Villageデータセットの27クラスの部分集合から成る画像を含む。本論文では,まず,現在のベンチマークの不十分さを強調する分野で撮影された画像を用いて,葉面病分類のためのベースラインの新しいセットを提示する。第2に,著者らは,著者らのベースラインモデルのサブセットを積み重ねることによって作り出されるアンサンブルモデルである多重葉疾患分類(SEMFD-Net)のためのStacked Ensembleを提案する,そして,著者らのメタ学習者として単純なフィードフォワードニューラルネットワークを,ベースラインよりも著しく凌駕した。また,著者らのアンサンブルモデルは,2つの他の一般的なアンサンブル法,すなわち,複数性投票と平均化を凌駕する。このコードはhttps://github.com/Gateway2745/SEMFD-Netで利用可能である。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】